20.500.12556/RUL-171948 Analysis of continual unsupervised learning for surface anomaly detection Analiza sprotnega nenadzorovanega učenja za detekcijo površinskih anomalij Industrial anomaly detection systems are typically built using separate models for each product category, resulting in substantial computational demands and ongoing maintenance challenges. This thesis explores continual learning as an alternative strategy, enabling a single model to sequentially learn and retain knowledge across multiple product categories. We conduct a comprehensive evaluation of three state-of-the-art methods— PatchCore, EfficientAD, and SuperSimpleNet—under three training paradigms: separate models, joint training, and continual learning, using the MVTec AD dataset. The results show that continual learning can maintain robust performance, with PatchCore maintaining strong performance in continual learning compared to separate models. Moreover, memory-based approaches consistently outperform replay buffer strategies. These insights offer practical guidance for deploying anomaly detection systems in dynamic industrial environments, highlighting continual learning as a compelling and resource-efficient alternative to the traditional use of multiple dedicated models. Sistemi za detekcijo industrijskih anomalij se običajno gradijo z uporabo ločenih modelov za vsako kategorijo izdelkov, kar povzroča znatne računske zahteve in težave z vzdrževanjem. Ta diplomska naloga raziskuje sprotno učenje kot alternativno strategijo, ki omogoča enemu modelu, da se zaporedno uči in ohranja znanje o več kategorijah izdelkov. Izvedli smo celovito ovrednotenje treh sodobnih metod—PatchCore, EfficientAD in SuperSimpleNet—pod tremi paradigmami učenja: ločeni modeli, skupno učenje in sprotno učenje, z uporabo podatkovne množice MVTec AD. Rezultati kažejo, da lahko sprotno učenje ohrani robustno delovanje, pri čemer PatchCore ohranja močno uspešnost pri sprotnem učenju v primerjavi z ločenimi modeli. Poleg tega pristopi na osnovi spomina dosledno presegajo strategije ponovnega predvajanja. Te ugotovitve ponujajo praktične smernice za uvajanje sistemov za detekcijo anomalij v dinamičnih industrijskih okoljih in poudarjajo sprotno učenje kot prepričljivo in učinkovito alternativo tradicionalni uporabi več-namenskih modelov. continual learning anomaly detection industrial inspection memory bank replay buffer MVTec AD sprotno učenje detekcija anomalij industrijski pregled spominska banka medpomnilnik za ponovno predvajanje MVTec AD true false false Angleški jezik Slovenski jezik Diplomsko delo/naloga 2025-09-04 11:45:01 2025-09-04 11:45:06 2025-09-28 03:53:46 0000-00-00 00:00:00 2025 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 38166 248574211 Ivanovska_Sara_-_Analiza_sprotnega_nenadzorovanega_ucenja_za_detekcijo_povrsinskih_anomalij.pdf Ivanovska_Sara_-_Analiza_sprotnega_nenadzorovanega_ucenja_za_detekcijo_povrsinskih_anomalij.pdf 1 F1543A93864A729EEB983623BAFE3D4E ef77413d0b73064ad9f9900baa617934ded7fc6c37a26c01b57d9c660dd04613 b0ba0db4-8973-11f0-9328-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=215540 Fakulteta za računalništvo in informatiko 0 0 0